Chuangcai Shenzhen hat die A+-Finanzierungsrunde abgeschlossen: Es treibt die selbstevolutionäre RSI durch reale Daten an, und fast 20 Hochleistungsmetallmaterialien haben die Massenproduktion erfolgreich realisiert.
Nach Informationen von Hard Krypton hat Deep Material, ein branchenführendes Unternehmen für KI-gestützte Werkstoffinnovation im Bereich AI for Science, eine A+ Finanzierungsrunde im Wert von fast 100 Millionen Yuan abgeschlossen. Diese Runde wird gemeinsam von den Altaktionären Source Code Capital und den neuen Aktionären Jinyu Maowu angeführt, an der sich unter anderem Yichen Capital als Folgeinvestoren beteiligen. Das Unternehmen hat als Erster einen vollständigen geschlossenen Kreislauf der KI-gestützten Werkstoffentwicklung realisiert und fast 20 neue Hochleistungswerkstoffe auf den Markt gebracht, von denen viele bereits in die serielle Produktion übergegangen sind.
Die Mittel aus dieser Finanzierungsrunde werden hauptsächlich für die kontinuierliche Weiterentwicklung des intelligenten Kernsystems M-Loop, die Replikation und Kapazitätserweiterung der automatisierten Hochdurchsatz-Experimentierplattform M-Lab, die fortlaufende Erfassung hochwertiger Werkstoffdatensätze M-Data, den Aufbau des verteilten selbstgesteuerten Labornetzwerks OPL (One Person Lab) sowie die Einstellung von hochkarätigen interdisziplinären Fachkräften verwendet. Dadurch soll die KI-gestützte Entwicklungsfähigkeit auf weitere Werkstoffbereiche ausgeweitet und der branchenweite Vorsprung weiter ausgebaut werden.
AI4S tritt in eine tiefere Entwicklungsphase ein, die industrielle Umsetzung wird zum neuen Wettbewerbsfokus
In den vergangenen Jahren hat AI for Science stetig an Bedeutung gewonnen, wobei sich der Fokus der Branche von der „Modellfähigkeit“ zur „industriellen Umsetzung“ verlagert. In der Anfangsphase des Marktes standen vor allem die Rechenleistung und die Effizienz einzelner Experimente im Vordergrund, heute dreht sich die Kernfrage darum: Kann die Technologie in echten industriellen Szenarien eingesetzt werden? Lässt sich der Entwicklungszyklus verkürzen und das Kostenrisiko durch Fehlversuche senken? Können die Ergebnisse aus dem Labor stabil in die Prozess-, Fertigungs- und Lieferkette überführt werden?
Dahinter verbirgt sich die rasante Aufstufung des globalen Wettbewerbs im Bereich AI4S – von dem Wettbewerb um Modelle über den Wettbewerb um Daten bis hin zum Wettbewerb um Experimente ist man mittlerweile in der Phase des „Wettbewerbs um Infrastruktur“ angekommen. Modelle werden immer zugänglicher, während echte wissenschaftliche Daten – insbesondere hochdimensionale Daten mit Versuchsbedingungen, Prozessparametern, fehlgeschlagenen Ergebnissen und Prozessrückmeldungen – zu einer knappen Ressource werden. Die Gewinner der Zukunft sind die Organisatoren von Infrastrukturen, die Daten, Modelle, Experimentiersysteme, Rechenleistung und industrielle Anforderungen miteinander verbinden können.
Auch auf politischer Ebene wird die Entwicklung beschleunigt. Die „Stellungnahme zur umfassenden Umsetzung der Aktion „Künstliche Intelligenz+““ (Guo Fa [2025] Nr. 11) des Staatsrats legt klar fest, dass die Verbreitungsrate von AI4S-Anwendungen bis 2027 70 % und bis 2030 über 90 % erreichen soll. Peking und Shanghai haben nacheinander spezielle Umsetzungspläne für AI4S herausgegeben, sodass der Aufbau autonomer Labore und wissenschaftlicher Datensätze zu einer lokalen Strategie aufgestiegen ist. In den USA investiert das Energieministerium im Rahmen der „Genesis Mission“ 5 Milliarden US-Dollar, um 17 nationale Labore miteinander zu verbinden, und das von der NSF geleitete NAIRR Pilot integriert Rechenleistung, Datensätze und Modelle in nationale wissenschaftliche Ressourcen. Darüber hinaus beschleunigen auch große ausländische Konzerne ihre Aktivitäten: Anthropic hat Claude Science für wissenschaftliche Szenarien auf den Markt gebracht, und OpenAI investiert kontinuierlich mehr Ressourcen in den wissenschaftlichen Bereich. Dies spiegelt die globale Neubewertung der Grundlage für zukünftige wissenschaftliche Forschung und fortschrittliche Fertigung wider. Da China und die USA gleichzeitig ihre Anstrengungen verstärken, hat sich der Wettbewerbsfokus von der technischen Validierung zum Aufbau einer systematischen Infrastruktur verlagert.
Werkstoffe aus Metall sind die zentralen Grundmaterialien, die die menschliche Zivilisation seit Jahrtausenden stützen. Mit einem Branchenumsatz von über einer Billion US-Dollar bestimmen sie direkt die Leistungsgrenzen strategischer Branchen wie Luft- und Raumfahrt, neue Energien, Halbleiter und Hochleistungsanlagen. Im Vergleich zum langen Validierungszyklus in der Biopharmazie weisen metallische Werkstoffe natürliche Vorteile wie schnelle Validierung, klare Kennwerte und eine vollständige Lieferkette auf, sodass sie das beste Umsetzungsfeld für die KI-gestützte Entwicklung darstellen.
Wie weit sind wir von einem verkörperten KI-Werkstoffwissenschaftler mit der Fähigkeit zur Selbstentwicklung entfernt?
Die „wunschorientierte“ Entwicklung, bei der man die Leistungsanforderungen an einen neuen Werkstoff angibt, nach wenigen Tagen automatisch mehrere, durch echte Experimente validierte Rezepturen erhält und gleichzeitig neue Theorien und Methoden vorgeschlagen bekommt, ist die ideale Endform der KI-gestützten Werkstoffentwicklung. Um dieses Endziel zu erreichen, muss ein intelligentes KI-System für die Werkstoffentwicklung mit Selbstentwicklungsfähigkeit (RSI) aufgebaut werden, das Experimente in der physischen Welt durchführen kann. Dieses System besteht aus vier grundlegenden Stützelementen: Große Modelle und Agenten, werkzeugspezifische Algorithmen und spezielle kleine Modelle, ein geschlossener Kreislauf automatisierter Hochdurchsatz-Labore sowie hochwertige multimodale Daten, die in großem Umfang für das KI-Training angepasst sind.
Deep Material hat in allen vier genannten Bereichen deutliche technische Vorsprünge und branchenspezifische Barrieren aufgebaut:
M-Cortex Großmodell und Agent: Mit der stetigen Verbesserung der Fähigkeiten allgemeiner Großmodelle hat Deep Material unter Verwendung von exklusiv selbst entwickelten multimodalen Versuchsdaten aus dem gesamten Prozess ein spezialisiertes Großmodell für Werkstoffe trainiert, das die Fähigkeiten zu kausaler Schlussfolgerung, wissenschaftlichem Denken und verallgemeinernder Extrapolation deutlich verbessert und einen wirklich für die Werkstoffentwicklung geeigneten intelligenten Agenten aufbaut. M-Cortex ist das Zentrum für die Orchestrierung von Entwicklungsabläufen und die intelligente Steuerung. Basierend auf Literaturübersichten, historischen Unternehmensdaten und dem Entwicklungs-Know-how generiert das System automatisch wissenschaftliche Hypothesen, Kandidatenrezepturen und Entwicklungsabläufe, koordiniert M-Science für wissenschaftliche Berechnungen und die Auswahl von Kandidaten, steuert M-Lab zur Durchführung echter Experimente und schreibt die Entwicklungsstrategie und das Gedächtnis fortlaufend anhand der Rückmeldungen aus Experimenten und Lieferungen um.
M-Science werkzeugspezifische Algorithmen und spezielle kleine Modelle: Fachalgorithmen für Werkstoffe lassen sich in zwei Kategorien unterteilen: kleinskalige und großskalige Algorithmen. Kleinskalige Algorithmen, vertreten durch DFT, zeigen hervorragende Leistungen in Bereichen wie der Pharmazie, die auf molekularen Wechselwirkungen abzielen. Sie werden seit langem entwickelt, verfügen über einen hohen technischen Reifegrad und sind weitgehend quelloffen. Bei Wechselwirkungen auf mesoskopischer und makroskopischer Ebene wie bei funktionellen Gruppen und metallografischen Strukturen stoßen kleinskalige Algorithmen jedoch an ihre Grenzen aufgrund der Obergrenze der Atomzahl und des Chaoseffekts, sodass großskalige Algorithmen zu einer unverzichtbaren Fähigkeit für die makroskopische Werkstoffentwicklung werden. Die Umsetzung großskaliger Algorithmen hängt dabei stark von echten Versuchsdaten ab. Deep Material verfügt über einen branchenführenden Datensatz in Bezug auf Umfang und Qualität und erreicht einen deutlichen technischen Vorsprung im Bereich großskaliger Algorithmen.
M-Lab Laborkreislauf: Die Selbstentwicklung des intelligenten Werkstoffagenten zeigt sich nicht nur in der Leistungsverbesserung, sondern auch in der fortlaufenden Weiterentwicklung und Anhäufung von Wissensgraphen, Werkzeugalgorithmen und logischem Denken. Daher ist der Aufbau eines automatisierten Hochdurchsatz-Labors mit geschlossenem Kreislauf für nasse und trockene Experimente von entscheidender Bedeutung. Deep Material hat bereits 2021 vorausschauend entsprechende Maßnahmen ergriffen, selbst Hochdurchsatz-Geräte entwickelt und das automatisierte Labor M-Lab aufgebaut. Mittlerweile wurde M-Lab auf die Version 3.0 weiterentwickelt und ist vollständig automatisiert, hochdurchsatzfähig und standardisiert. Die Effizienz der Erzeugung von Versuchsdaten hat sich um das Hundertfache verbessert, die Kosten haben sich um das Zehnfache reduziert. Die Dimensionen der geschlossenen, aus der realen Welt stammenden Daten aus M-Lab übersteigen 400, die Speichergröße eines einzelnen Rohdatensatzes liegt über 10 GB. Aufgrund des großen Vorsprungs wird die Gesamtlösung von M-Lab bereits von führenden Universitäten und Forschungsinstituten im In- und Ausland weithin anerkannt und beschafft. Zukünftig wird das Unternehmen die Festlegung von Branchenstandards vorantreiben und durch Integration und Modernisierung ein föderales Labor für metallische Werkstoffe sowie OPL (One-Person-Lab) aufbauen, um die Entwicklung der Branche anzuführen.
M-Data KI-angepasste Werkstoffdaten: Fachspezifische Branchendaten sind der größte Faktor für die Leistungsunterschiede intelligenter Agenten. Herkömmliche Werkstoffdaten sind in der Regel wissensbasierte Daten mit niedrigen Merkmalsdimensionen, schlechter Konsistenz, geringem Umfang und hohen Kosten, sodass sie sich kaum für das KI-Training zur Anpassung oder tiefgreifenden Verständnis eignen. Auf Basis von M-Lab hat Deep Material den branchenweit am besten für KI angepassten Werkstoffdatensatz M-Data aufgebaut, der derzeit über 100.000 Datensätze umfasst, einheitlich formatiert ist, reich an Dimensionen ist und den gesamten Versuchsablauf sowie fehlgeschlagene Ergebnisse abdeckt. In den nächsten zwei Jahren wird der Gesamtumfang des Hochdurchsatz-Labors um das Fünffache erweitert, um den technischen Vorsprung im Datenbereich weiter auszubauen.
Deep Material verfolgt AI4S mit einem zielgerichteten Ansatz, baut aktiv Technologien in der gesamten Wertschöpfungskette auf, erreicht in allen wichtigen Bereichen branchenführende Niveaus und verfügt über hohe Wettbewerbsbarrieren.
Der Umsetzungsprozess ist der größte Kernunterschied im Wettbewerb der AI4S-Branche
AI4S befindet sich in der frühen Phase der Erschließung einer riesigen Goldgrube. Die echten Chancen liegen nicht nur im „Verkauf von Schaufeln“, sondern darin, mit den besten Schaufeln selbst in die Goldgrube zu gehen. In der gesamten Kette von Anforderungsdefinition, Laborentwicklung, Pilotproduktion und serienmäßiger Lieferung wird der durch KI erzielte Wert schrittweise vergrößert. Deep Material hat als Erster die durchgehende Kette von der „Eingabe von Anforderungen“ bis zur „echten Lieferung“ realisiert – es wandelt die Werkstoffanforderungen der Kunden in berechenbare, überprüfbare, optimierbare und lieferbare Werkstoffe und Bauteile um und bildet einen positiven Rückkopplungskreislauf: „Echte Experimente erzeugen Daten → Daten treiben die Systementwicklung an → Die Systementwicklung verbessert die Lieferzuverlässigkeit → Die Lieferergebnisse fließen in die nächste Entwicklungsrunde ein“.
Mittlerweile hat das Unternehmen den Zyklus für die Werkstoffentwicklung sowie Tests und Validierung von 5 bis 10 Jahren auf 2 bis 3 Monate verkürzt und die Kosten auf ein Zehntel reduziert. Es hat Dutzende neuer Werkstoffe mit vollständig eigenem geistigen Eigentum auf den Markt gebracht, die alle von CNAS-zertifizierten Prüfinstituten und nachgelagerten Kunden getestet wurden und deren Leistungen die weltweit führenden Niveaus weit übertreffen. Das Unternehmen arbeitet mit führenden Unternehmen verschiedener Branchen zusammen, um die Umsetzung voranzutreiben, unter anderem:
① Zusammenarbeit mit einem weltweit führenden 3C-Unternehmen zur Umsetzung von eloxierbaren Aluminiumlegierungs-Bauteilen für Gehäuse, hochfesten und zähen Edelstahl-Verbindungselementen sowie hochfesten Titanlegierungs-Gehäuseteilen;
② Zusammenarbeit mit einem führenden inländischen Unternehmen für kontrollierte Kernfusion zur Entwicklung und Prüfung von Werkstoffen wie hochschmelzenden Hochentropielegierungen für die erste Wand, niedrigaktivem Stahl für die Umhüllung und lithiumbasierten Tritium-Brutwerkstoffen;
③ Zusammenarbeit mit einer weltweit führenden Golfmarke zur Umsetzung von hochfesten und zähen Edelstahl-Schlagflächen, einteiligen Titanlegierungs-Gehäusen, hochfesten Aluminium-Verbindungsnieten und Hochentropielegierungs-Gewichtsblöcken;
④ Zusammenarbeit mit einem führenden kommerziellen Luft- und Raumfahrtunternehmen zur Umsetzung von Turbinendüsen aus Superlegierungen und hochfesten Aluminium-Tragstrukturelementen;
⑤ Zusammenarbeit mit einem weltweit führenden Unternehmen für Reifenformen zur Umsetzung von hochfesten und hitzebeständigen Aluminiumlegierungs-Einsätzen sowie hochfestem Formenstahl;
⑥ Zusammenarbeit mit dem größten inländischen Titanbergbauunternehmen zur Entwicklung von Technologien zur Herstellung von hochleistungsfähigen Titanlegierungen aus niedriggradigem Roherz mit vielen Verunreinigungen;
⑦ Zusammenarbeit mit einem führenden Quantencomputing-Unternehmen zur Erforschung neuer Kernalgorithmen im Bereich AI4S.
Die Lieferformen umfassen Werkstoffrezepturen, Prozessfenster, metallische Bauteile und Muster, Anwendungsergebnisse sowie langfristige Lieferungen oder Lizenzierungen. Dadurch wurde die Allgemeingültigkeit und Zuverlässigkeit des M-Loop-Systems in echten industriellen Szenarien in mehrfacher Hinsicht bestätigt. Gleichzeitig hat das Unternehmen mehrere Werkstoffe wie hochfeste Titanlegierungen und Aluminiumlegierungen entwickelt und diese in Bereichen wie der additiven Fertigung umgesetzt.
Ausblick: Die Menschheit soll nicht länger durch Werkstoffe eingeschränkt werden
Werkstoffe sind der grundlegende Code, mit dem die Menschheit die Welt verändert. Seit Jahrtausenden hängt diese Schöpfung immer von Versuch und Irrtum sowie Zufall ab – ein neuer Werkstoff braucht oft einen langen Weg von der Vorstellung zur Realität. KI verändert all das: Sie befreit die Entdeckung neuer Werkstoffe aus der Unsicherheit und macht sie zu einem gangbaren Weg. Menschen können sie berühren, testen und in Produkte einbauen. Dies ist nicht nur eine Verbesserung von Werkzeugen, sondern eine Verlagerung der Gestaltungsmacht. Früher lag die Werkstoffinnovation in den Händen weniger Institutionen mit riesigen Ressourcen. Wenn es keine Lücke mehr gibt zwischen „im Labor machbar“ und „im Werk herstellbar“, wenn Entwicklung, Prozess und Lieferkette in dasselbe Entscheidungsframework integriert sind, entwickelt sich die Werkstoffinnovation von einer erfahrungsabhängigen „Mystik“ zu einem systematisch organisierbaren Ingenieurwesen. Die Gestaltungsmacht